Regularizované online učení
Regularizované online učení rozšiřuje paradigma online učení začleněním regularizační penalizace do každé aktualizace vah, čímž kontroluje složitost modelu při zpracování dat po jednom příkladu. Algoritmy jako Follow-the-Regularized-Leader (FTRL) a Regularized Dual Averaging (RDA) činí tento přístup praktickým ve velkém měřítku, což umožňuje řídké, dobře kalibrované modely na proudících datech.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Xiao, L. (2010). Dual Averaging Methods for Regularized Stochastic and Online Optimization. Journal of Machine Learning Research, 11, 2543–2596. link ↗
- Shalev-Shwartz, S. (2012). Online Learning and Online Convex Optimization. Foundations and Trends in Machine Learning, 4(2), 107–194. DOI: 10.1561/2200000018 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Regularized Online Learning (Online Learning with Regularization). ScholarGate. https://scholargate.app/cs/machine-learning/regularized-online-learning
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Online LearningStrojové učení↔ compare
- Regularizované lineární regreseStrojové učení↔ compare
- Regularizovaná logistická regreseStrojové učení↔ compare
- Semisupervisední učeníStrojové učení↔ compare
- Stochastický gradientní sestup (SGD)Strojové učení↔ compare
- Přenosové učeníStrojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →